[发明专利]一种基于地理信息的5G参考信号接收功率预测方法

权利要求书

1.一种基于地理信息的5G参考信号接收功率预测方法，其特征在于：包括以下步骤：

步骤(1.1)、根据地图信息构建特征地图；

步骤(1.2)、使用人工智能构建误差迭代修正模型，将构建的特征地图与实际的信号接受功率共同训练构建的误差迭代修正模型；

在步骤(1.1)中，所述特征地图具体构建过程的步骤如下：

(1.1.1)、首先，构建高度特征图：其包括构建发射机相对地面的高度特征，构建栅格与信号线的相对高度特征，构建小区发射机相对地面的高度特征，构建小区站点所在栅格(Cell X，Cell Y)的建筑物高度特征，构建小区站点所在栅格(Cell X，Cell Y)的海拔高度特征及信号接收端所在的栅格(X，Y)上的海拔高度特征；

(1.1.2)、其次，构建场景特征图：对发射机与信号接收端的位置进行定位，具体操作是：5G信号由发射机发出，最终由信号接收端接收；

从发射机发出的5G信号在传输到信号接收端中，通过海拔、建筑及场景不同的20种地形的统计构建场景特征图；

(1.1.3)、最后，构建信号特征图：通过Cost 231-Hata特征获取发射机与信号接收端的位置，计算由发射机到信号接收端的距离，获取发射机的5G信号发射功率；将Cost 231-Hata特征、发射机到信号接收端的距离、发射机的5G信号发射功率构建成信号特征图；

在所述步骤(1.1.2)中，所述的地形包括：海洋，内陆湖泊，湿地，城郊开阔区域，市区开阔区域，道路开阔区域，植被区，灌木植被，森林植被，城区超高层建筑(60m)，城区高层建筑(40m-60m)，城区中高层建筑(20m-40m)，城区20m高密度建筑群，城区20m多层建筑，低密度工业建筑区域，高密度工业建筑区域，城郊，发达城郊区域，农村，CBD商务圈地形的栅格数目；

在步骤(1.1.3)中，所述Cost 231-Hata特征的计算方法如下：

其中，d表示发射机到信号接收端的距离，(Cell X，Cell Y)与(X，Y)分别表示小区站点所在栅格与信号接收端所在的栅格；

PL＝46.3+33.9log₁₀f-13.82log₁₀h_b-α+(44.9-6.55log₁₀h_ue)log₁₀d+C_m (2)

其中，PL表示传播路径损耗，f表示载波频率，h_b表示基站天线有效高度，α表示用户天线高度纠正项，h_ue表示用户天线有效高度，C_m表示场景纠正常数；

其中，RSRP与PL的关系：RSRP＝P_t-PL (3)

RSRP表示Cost 231-Hata特征计算的信号接收功率，P_t表示小区发射机发射功率；

所述的C_m由场景特征图经过卷积神经网络计算所得；h_b与h_ue由栅格与信号线的相对高度、小区发射机相对地面的高度、小区站点所在栅格(Cell X，Cell Y)的海拔高度、信号接收端所在的栅格(X，Y)上的海拔高度及小区站点所在栅格(Cell X，Cell Y)的建筑物高度经过BP神经网络计算所得；

其中，所述栅格与信号线的相对高度的计算方法如下：

式(4)中，Δh_v＝Height+Cell Altitude-tan(Electrial Downtilt+Mechanical Downtilt)中的Height表示小区发射机相对地面的高度，

Δh_v＝Height+Cell Altitude-tan(Electrial Downtilt+Mechanical Downtilt)分别表示小区站点所在栅格(Cell X，Cell Y)的海拔高度、信号接收端所在的栅格(X，Y)上的海拔高度、小区发射机垂直电下倾角及小区发射机垂直机械下倾角；其中每个栅格为5米乘5米的正方形；

在步骤(1.2)中，所述构建误差迭代修正模型的具体步骤如下：

(1.2.1)、设计一个神经网络模型Model₁(x)：pre＝Model₁(x) (5)

其中，所述x表示神经网络模型Model₁(x)输入值，所述的输入值包括：场景特征图、高度特征图与信号特征图；pre表示神经网络模型Model₁(x)的输出；

其中，所述神经网络模型包含误差反向传播算法、卷积神经网络、激活层、池化层、全连接层；使用均方误差作为损失函数，通过亚当优化器来训练；

针对场景特征图：使用不同大小的卷积核进行卷积运算，首先在输入层中的边界进行补0操作，在卷积层中每个卷积核与补0后的输入序列从序列首端做内积运算一直到序列末端，得到输出层的值，形成新的特征图；再通过全连接层得到场景纠正常数；

针对高度特征图：使用误差反向传播算法对高度特征进行计算；得到基站天线有效高度及用户天线有效高度；根据式(1)-(3)得到Cost 231-Hata特征计算的信号接收功率；

针对信号特征图：将RSRP、d、P_t与场景特征构成特征向量，使用不同大小的卷积核进行卷积运算，在卷积层中每个卷积核与输入层中边界补0的输入序列从序列首端做内积运算一直到序列末端，得到输出层的值，形成新的特征图f₁；

将f₁通过Relu激活函数激活，所述Relu激活函数如式(6)所示：

Ac＝max(0，f₁) (6)

其中，Ac表示激活层输出的矩阵，对Ac进行最大池化操作，ma表示最大池化的长度，Po_i表示最大池化的结果：

Po_i＝max({Ac_i，Ac_i+1...Ac_i+ma-2，Ac_i+ma-1}) (7)

其中，Ac_i为矩阵中第i个元素，将池化结果Po_i输入到全连接层中进行分类，把分布式特征映射到样本标记空间；所述全连接层由每个池化层连成一个一维向量，先经过隐含层神经元的计算，最后再连接一个神经元输出构成；每个神经元与的计算方法如式(8)所示：

pre＝∑_iPo_i·W (8)

最终；pre为Model₁预测的结果，W表示网络中的参数；

(1.2.2)、训练神经网络模型Model₁(W，b)期望得到最小化的损失函数：

Loss(Model₁(W，b)，Label)＝(pre-Label)² (9)

其中，Label表示每个数据的标签，W与b分别表示神经网络模型Model₁中的参数与偏置；

(1.2.3)、计算误差函数：

Error(Model₁(x)，Label)＝pre-Label (10)

其中，Error表示每个数据x经过训练后神经网络模型Model₁(x)映射之后得到的pre与预期的Label产生的误差；

(1.2.4)、设计一个与神经网络模型Model₁(x)结构相同的神经网络模型Model₂(x)，用来修正神经网络模型Model₁(x)在预测参考信号功率时产生的误差：

pre₂＝Model₂(x) (11)

其中，pre₂表示神经网络模型Model₁(x)预测信号功率产生的误差；

(1.2.5)、令Label₂＝Error，训练神经网络模型Model₂(x)期望得到最小化的损失函数：

Loss(Model₂(x)，Label)＝(pre₂-Label₂)² (12)

Label₂表示神经网络模型Model₂(x)预测的值，Error表示神经网络模型Model₁(x)在预测信号功率时产生的误差；

(1.2.6)、使用神经网络模型Model₂(x)的结果修正神经网络模型Model₁(x)产生的误差，其计算方法如下：

Pre₃＝Model₁(x)+Model2(x) (13)；

在步骤(1.2.2)中，所述训练神经网络模型Model₁(W，b)期望得到最小化的损失函数的具体步骤如下：对于给定的迭代次数，首先基于在整个数据集上求出的损失函数loss(W)对输入的参数向量W计算梯度向量；然后对参数W进行更新：对参数W减去梯度值乘学习率的值，也就是在反梯度方向，更新参数；

其中，表示参数梯度下降方向，即loss(W)的偏导数，η为学习率；Label表示样本的真实值；当完成迭代时，实现W的更新与模型的建立：

Loss(W)＝(Label-(Model₁(W)+Model₂(W)))² (14)